V5 · skúšobná verzia
Hlavná téma
LangChain v blogu z 23. októbra 2026 rozobral, ako navrhovať retrieval pre dlhobežné AI agentov v Deep Agents. Jadrom odporúčania je nehádzať veľké výsledky priamo do kontextu hlavného agenta: najprv lacno nájsť kandidátov, potom veľké výstupy odložiť do súborov a ich čítanie delegovať na subagentov.
Čítať článok →
Boston Dynamics v dodaných materiáloch opisuje Spot 5.2 a softvér Orbit ako architektúru, ktorá organizuje dáta podľa zariadení, prijíma externé vstupy a môže privolať mobilného robota na doplňujúcu inšpekciu. Podklady sú technicky konkrétne, no praktické prínosy a výkon noviniek zostávajú prevažne tvrdením výrobcu.
PyTorch podľa oficiálneho technického blogu sprístupňuje na AMD MI350/gfx950 backend FlyDSL cez existujúce operátory a AOTriton. Dôležité nie je len tvrdenie o zrýchlení, ale aj to, kde sa backend v zásobníku vyberá, aké má podmienky tvaru, dtype a layoutu a prečo to nie je univerzálne zrýchlenie každého modelu.
LangChain 13. októbra 2026 opísal integráciu langchain-scaledown a podporu ScaleDown v LangSmith LLM Gateway. Zmena je dôležitá tým, že opakované úlohy správy kontextu v dlhobežných agentoch presúva z veľkého generatívneho modelu do špecializovaných middleware pre sumarizáciu, kompresiu výstupov nástrojov a extrakciu polí.
JAXA 20. októbra 2026 odštartovala misiu MMX k marsovmu mesiacu Phobos. Podľa ESA ide o potvrdený štart vzorkovej misie, v ktorej Európa nepridáva nosič či pristávací systém, ale deep-space komunikačné vybavenie sondy a pozemnú podporu siete Estrack.
PyTorch ekosystém oznámil TorchNeuron, open source natívny backend pre AWS Trainium2 a Trainium3. Praktická zmena pre tímy je v tom, že tréning aj inferencia majú ísť cez bežné PyTorch API vrátane eager režimu, torch.compile, distributed API a profileru, no prvé vydanie má aj jasne priznané limity.
LangChain v októbri 2026 zhrnul, ako jeho Deep Agents presúva časť pracovnej pamäte mimo aktívneho kontextu modelu. Z dostupných podkladov vyplýva kombinácia offloadingu do filesystemu, sumarizácie histórie, izolácie subagentov a progresívne načítavaných skills; chýbajú však nezávislé benchmarky aj presné verzie.
LangChain v októbri 2026 opísal sériu noviniek pre prevádzku agentov: semantické hľadanie problémového správania v traceoch, čitateľnejší chronologický pohľad na relácie, proaktívny red teaming a automatické testovanie navrhovaných opráv. Zároveň predstavil Managed Deep Agents v0.9 s plánovanými úlohami, per-run konfiguráciou a reakciami v Slacku.
Model Context Protocol vydal 28. júla 2026 novú špecifikáciu, ktorá odstraňuje protokolové sessions a handshake, zavádza bezstavové request/response jadro, Multi Round-Trip Requests a routovanie cez HTTP hlavičky. Pre tímy okolo agentických workflowov to mení najmä škálovanie serverov, gateway vrstvu a spôsob migrácie SDK.
Docker v oficiálnych textoch z prelomu septembra a októbra 2026 spojil tri vrstvy pre beh AI agentov: lokálne Sandboxes, zdieľateľné Sandbox Kits a Cloud Sandboxes pre dlhšie úlohy. Podklad však stojí takmer výlučne na tvrdeniach dodávateľa a neobsahuje nezávislé testy ani plnú technickú dokumentáciu.
Oficiálny návod spája AI rešerš, čakanie na pripomienky a vytvorenie výsledného dokumentu. Pre malý tím je podstatné odlíšiť obnovu procesu od opakovania externého volania.
Posúvajte do strany · najnovšie články zo všetkých kategórií
Orientácia
Hlavný odborný pilier: modely, API, agenti, programovanie, kontext, testovanie a architektúra AI systémov. Podrobné odborné spracovanie s pôvodnými dôkazmi a podmienkami použitia.
Prejsť na články →AI v praxiKonkrétne nasadenia AI vo firmách, priemysle, vede a službách: použité riešenie, doložené výsledky, skúsenosti a obmedzenia. Samotný vývoj modelu patrí do AI systémy a vývoj.
Prejsť na články →Robotika a automatizáciaRoboty, riadenie, senzory, automatizované linky a autonómne zariadenia. Prepojenie softvéru s fyzickým svetom, schopnosti, dostupnosť a obmedzenia.
Prejsť na články →Infraštruktúra a technológieČipy, výpočty, cloud, edge, siete, úložiská a technické vybavenie pre AI; parametre, dostupnosť, výkon a prevádzkové obmedzenia.
Prejsť na články →Firmy a výskumLaboratóriá, výskumné výsledky, technologické firmy, partnerstvá a významné investície v AI odvetví. Technický návod patrí do vývoja; praktické výsledky nasadenia do AI v praxi.
Prejsť na články →SlovenskoDomáce firmy, výskum a nasadenia technológií.
Prejsť na články →Slovenský výskumný projekt skúma tok energie medzi spotrebiteľmi, obnoviteľnými zdrojmi a batériami. Verejný opis zatiaľ neuvádza úsporu konkrétnej prevádzky.
Spolupráca sa sústredila na konkrétne pracovné úlohy Inštitútu vzdelávacej politiky. Konzultácie ešte nie sú dôkazom hotového produkčného systému.
KInIT opisuje spoluprácu s MicroStep-MIS na zodpovednom používaní AI. Popri meteorologických modeloch sa venovala aj dokumentačnému chatbotu, interným pravidlám a pripravenosti firmy.
Študentský projekt porovnal kariérne odporúčania pre šesť simulovaných typov používateľov. Rozsah výsledku je menší než všeobecné tvrdenie o férovosti AI.
Boston Dynamics v dodaných materiáloch opisuje Spot 5.2 a softvér Orbit ako architektúru, ktorá organizuje dáta podľa zariadení, prijíma externé vstupy a môže privolať mobilného robota na doplňujúcu inšpekciu. Podklady sú technicky konkrétne, no praktické prínosy a výkon noviniek zostávajú prevažne tvrdením výrobcu.
PyTorch podľa oficiálneho technického blogu sprístupňuje na AMD MI350/gfx950 backend FlyDSL cez existujúce operátory a AOTriton. Dôležité nie je len tvrdenie o zrýchlení, ale aj to, kde sa backend v zásobníku vyberá, aké má podmienky tvaru, dtype a layoutu a prečo to nie je univerzálne zrýchlenie každého modelu.
LangChain 13. októbra 2026 opísal integráciu langchain-scaledown a podporu ScaleDown v LangSmith LLM Gateway. Zmena je dôležitá tým, že opakované úlohy správy kontextu v dlhobežných agentoch presúva z veľkého generatívneho modelu do špecializovaných middleware pre sumarizáciu, kompresiu výstupov nástrojov a extrakciu polí.
PyTorch ekosystém oznámil TorchNeuron, open source natívny backend pre AWS Trainium2 a Trainium3. Praktická zmena pre tímy je v tom, že tréning aj inferencia majú ísť cez bežné PyTorch API vrátane eager režimu, torch.compile, distributed API a profileru, no prvé vydanie má aj jasne priznané limity.
